Computer-Vision-Kurse können Ihnen helfen zu lernen, wie visuelle Daten verarbeitet, erkannt und interpretiert werden. Sie können Fähigkeiten in Bildanalyse, Objekterkennung, Modelltraining und Evaluationsmethoden aufbauen. Viele Kurse stellen Python-Bibliotheken, Frameworks und Tools vor, die das Entwickeln und Testen visueller Modelle unterstützen.

Kompetenzen, die Sie erwerben: Modell Ausbildung, Algorithmen für maschinelles Lernen, Methoden des maschinellen Lernens, Modell-Optimierung, Faltungsneuronale Netzwerke, Feinabstimmung, Tiefes Lernen, Modellevaluation, Computer Vision, Netzarchitektur, Transfer Learning, Lernen übertragen, Bewertung des Modells, Bildqualität, Faltungsneuronale Netze, Klassifizierungsalgorithmen
Mittel · Kurs · 1–3 Monate

University of Colorado Boulder
Kompetenzen, die Sie erwerben: Image Analysis, Computer Vision, Autoencoders, Convolutional Neural Networks, Vision Transformer (ViT), Generative Adversarial Networks (GANs), Recurrent Neural Networks (RNNs), Deep Learning, Generative Model Architectures, Artificial Intelligence and Machine Learning (AI/ML), Computer Graphics, Visualization (Computer Graphics), Machine Learning Methods, Model Deployment, Embeddings, Artificial Intelligence, Data Ethics, Data Processing, Applied Machine Learning, Linear Algebra
Auf einen Abschluss hinarbeiten
Mittel · Spezialisierung · 1–3 Monate

Columbia University
Kompetenzen, die Sie erwerben: Dimensionalitätsreduktion, Algorithmen für maschinelles Lernen, Farbenlehre, Medizinische Bildgebung, Bildanalyse, Elektronische Komponenten, Algorithmen, Schätzung, Fotografie, Künstliche neuronale Netze, Computer Vision, Visualisierung (Computergrafik), Unüberwachtes Lernen, Mathematische Modellierung, Computergrafik, Bildqualität, Virtuelle Realität, Graphentheorie, 3D-Modellierung, Automatisierungstechnik
Anfänger · Spezialisierung · 3–6 Monate

DeepLearning.AI
Kompetenzen, die Sie erwerben: Modell Ausbildung, Bildanalyse, Modell-Optimierung, Faltungsneuronale Netzwerke, Tensorflow, Feinabstimmung, Tiefes Lernen, Modellevaluation, Computer Vision, Angewandtes maschinelles Lernen, Transfer Learning, Lernen übertragen, Visualisierung (Computergrafik), Bewertung des Modells, Faltungsneuronale Netze, Klassifizierungsalgorithmen
Mittel · Kurs · 1–4 Wochen

MathWorks
Kompetenzen, die Sie erwerben: Computer Vision, Model Evaluation, Image Analysis, Model Deployment, Anomaly Detection, Convolutional Neural Networks, Transfer Learning, Model Training, Fine-tuning, Deep Learning, Machine Learning Methods, Image Quality, Generative AI, Data Preprocessing, Artificial Neural Networks, Matlab, Applied Machine Learning, Machine Learning, Classification Algorithms, Software Visualization
Anfänger · Berufsbezogenes Zertifikat · 3–6 Monate

DeepLearning.AI
Kompetenzen, die Sie erwerben: Modell Ausbildung, Feature Technik, Bildanalyse, Faltungsneuronale Netzwerke, Feinabstimmung, Tensorflow, Tiefes Lernen, Künstliche neuronale Netze, Angewandtes maschinelles Lernen, Computer Vision, Transfer Learning, Netzarchitektur, Lernen übertragen, Datenvorverarbeitung, Einbettungen, Technische Merkmale, Faltungsneuronale Netze, Vorverarbeitung von Daten
Mittel · Kurs · 1–4 Wochen

MathWorks
Kompetenzen, die Sie erwerben: Model Evaluation, Computer Vision, Model Deployment, Anomaly Detection, Convolutional Neural Networks, Image Analysis, Transfer Learning, Model Training, Fine-tuning, Deep Learning, Generative AI, Artificial Neural Networks, Applied Machine Learning, Data Preprocessing, Matlab, Software Visualization, Classification Algorithms, Model Optimization, Predictive Modeling, Performance Tuning
Anfänger · Spezialisierung · 1–3 Monate

University of Colorado Boulder
Kompetenzen, die Sie erwerben: Image Analysis, Computer Vision, Deep Learning, Convolutional Neural Networks, Machine Learning Methods, Data Ethics, Microsoft Excel, Generative AI, Excel Formulas, Responsible AI, Data Transformation, Linear Algebra, Feature Engineering, Digital Signal Processing
Auf einen Abschluss hinarbeiten
Anfänger · Kurs · 1–4 Wochen

Kompetenzen, die Sie erwerben: Datenanalyse, NumPy, Python-Programmierung, Daten importieren/exportieren, Datenerhebung, Datenerfassung, Skripting
Anfänger · Kurs · 1–3 Monate

Kompetenzen, die Sie erwerben: Methoden des maschinellen Lernens, Bildanalyse, Optimierung des Verkehrsflusses, Tiefes Lernen, Computer Vision, Transfer Learning, Lernen übertragen, Matlab
Anfänger · Kurs · 1–4 Wochen

Kompetenzen, die Sie erwerben: Computer Vision, Image Analysis, Program Development, Data Science, Real Time Data, Software Visualization, Visualization (Computer Graphics), Code Reusability, Python Programming, Development Environment, Model Training, Classification Algorithms, File I/O, Color Matching, System Design and Implementation, Data Preprocessing, Software Installation
Anfänger · Spezialisierung · 3–6 Monate

Kompetenzen, die Sie erwerben: Modell Ausbildung, Methoden des maschinellen Lernens, Algorithmen für maschinelles Lernen, Bildanalyse, Optimierung des Verkehrsflusses, Algorithmen, Maschinelles Lernen, Erkennung von Anomalien, Tiefes Lernen, Modellevaluation, Transfer Learning, Computer Vision, Lernen übertragen, Datenvorverarbeitung, Bewertung des Modells, Geografische Informationen und Technologie, Klassifizierungsalgorithmen, Matlab, Vorverarbeitung von Daten
Mittel · Spezialisierung · 1–3 Monate
Computer Vision ist ein Bereich der künstlichen Intelligenz, der Computern dabei hilft, visuelle Informationen wie Bilder und Videos zu interpretieren und zu verarbeiten. Sie wird für Aufgaben wie Bildklassifizierung, Objekterkennung, Gesichtsanalyse, Unterstützung in der medizinischen Bildgebung, Fertigungsprüfung und autonome Systeme eingesetzt. Kurse wie „Introduction to Computer Vision and Image Processing" von IBM und „First Principles of Computer Vision" der Columbia University vermitteln sowohl die praktischen als auch die konzeptionellen Grundlagen. Auf Coursera können Sie sich mit Computer Vision beschäftigen -- von einsteigerfreundlicher Bildverarbeitung bis hin zu tiefergehenden, auf neuronalen Netzen basierenden Ansätzen.
Computer Vision kommt in Berufsfeldern zum Einsatz, die mit KI, maschinellem Lernen, Robotik, Datenwissenschaft, Softwareentwicklung, Automatisierung und angewandter Forschung zu tun haben. Die Lernenden können das Gelernte in Bereichen wie Qualitätsprüfung, medizinische Bildgebung, Einzelhandelsanalytik, Transportwesen, Landwirtschaft, Sicherheit und kreative Medienwerkzeuge anwenden. Kurse wie „Convolutional Neural Networks" und „Advanced Computer Vision with TensorFlow" von DeepLearning.AI können dabei helfen, Kompetenzen aufzubauen, die für Arbeitsabläufe im Bereich des maschinellen Lernens und des Deep Learning relevant sind. Wenn Sie sich verschiedene Kurse zum Thema Computer Vision ansehen, können Sie besser verstehen, welche Anwendungen und Aufgabenbereiche Ihren Interessen entsprechen.
Bevor man sich mit Computer Vision befasst, ist es hilfreich, über Grundkenntnisse in Python-Programmierung, linearer Algebra, grundlegender Statistik und den CORE-Konzepten des maschinellen Lernens zu verfügen. Die Bildverarbeitung stützt sich zudem auf Konzepte wie Pixel, Filter, Transformationen, Merkmalsextraktion und Modellbewertung, sodass ein sicherer Umgang mit Mathematik und Datenworkflows das Verständnis des Stoffes erleichtern kann. Der Kurs „First Principles of Computer Vision" der Columbia University legt den Schwerpunkt auf grundlegende Konzepte, während der Kurs „Introduction to Computer Vision and Image Processing" von IBM dabei helfen kann, diese Konzepte mit praktischen Beispielen zu verknüpfen. Wenn Sie noch keine große Erfahrung mit KI haben, sollten Sie erwägen, parallel zu Ihrem ersten Kurs im Bereich Computer Vision Ihre Grundlagen in Python und im maschinellen Lernen zu vertiefen.
Zu den Fähigkeiten, die das Thema Computer Vision ergänzen, gehören Deep Learning, neuronale Netze, Bildverarbeitung, Datenvorverarbeitung, Modellbewertung, Python, TensorFlow, MATLAB und angewandtes maschinelles Lernen. Beispielsweise vermittelt der Kurs „Convolutional Neural Networks" von DeepLearning.AI Kenntnisse, die direkt mit modernen Bildverarbeitungsmodellen verknüpft sind, während sich der Kurs „Advanced Computer Vision with TensorFlow" auf Spezialisierungen bei der Implementierung konzentriert. Die Kurse „Deep Learning for Computer Vision" und „MathWorks Computer Vision Engineer" von MathWorks können nützlich sein, wenn Sie Erfahrungen mit MATLAB-basierten Arbeitsabläufen sammeln möchten. Die Kombination von Computer Vision mit diesen verwandten Fähigkeiten kann Ihnen helfen, den Schritt von theoretischen Konzepten hin zu praxisorientierten Projekten zu machen.
Ein guter Einstieg in das Thema Computer Vision besteht darin, zunächst die Grundlagen der Bildverarbeitung zu erlernen und anschließend zu Methoden des maschinellen Lernens und des Deep Learning für visuelle Daten überzugehen. Beginnen Sie damit, zu lernen, wie Bilder dargestellt werden, wie Filter und Transformationen funktionieren und wie Modelle Muster in visuellen Eingaben erkennen. „Einführung in Computer Vision und Bildverarbeitung" von IBM und „Einführung in Computer Vision" der University of Colorado Boulder sind leicht zugängliche Optionen aus den auf dieser Seite verfügbaren Kursen. Danach können Sie sich an Kurse wie „Convolutional Neural Networks" oder „Advanced Computer Vision with TensorFlow" herantasten.
Ja. Sie können auf Coursera auf zwei Arten kostenlos mit dem Lernen im Bereich Computer Vision beginnen:
Wenn Sie weiterlernen, ein Zertifikat im Bereich Computer Vision erwerben oder nach der Vorschau bzw. der Testphase den vollen Zugriff auf die Kurse freischalten möchten, können Sie ein Upgrade durchführen oder finanzielle Unterstützung beantragen.
Die besten Einsteigerkurse zum Thema Computer Vision sind in der Regel diejenigen, die zunächst Bildverarbeitung, visuelle Daten und zentrale Modellkonzepte erläutern, bevor sie sich fortgeschrittenen neuronalen Netzen zuwenden. Auf dieser Seite sind der Kurs „Introduction to Computer Vision and Image Processing" von IBM und der Kurs „Introduction to Computer Vision" der University of Colorado Boulder hervorragende Ausgangspunkte für den Aufbau von Grundkenntnissen. Der Kurs „First Principles of Computer Vision" der Columbia University könnte ebenfalls für Lernende interessant sein, die einen eher konzeptorientierten Ansatz bevorzugen. Sobald Sie mit den Grundlagen vertraut sind, kann Ihnen der Kurs „Convolutional Neural Networks" von DeepLearning.AI dabei helfen, sich weiter mit Deep Learning für visuelle Aufgaben zu befassen.
Kurse zum Thema Computer Vision behandeln in der Regel Bilddarstellung, Filterung, Merkmalserkennung, Objekterkennung, Klassifizierung, Segmentierung, konvolutionelle neuronale Netze und Modellbewertung. Je nach Schwerpunkt des Kurses werden in einigen Kursen auch praktische Tools und Frameworks wie TensorFlow oder MATLAB behandelt. So legt beispielsweise der Kurs „Advanced Computer Vision with TensorFlow" von DeepLearning.AI den Schwerpunkt auf angewandte Deep-Learning-Workflows, während sich der Kurs „Deep Learning for Computer Vision" von MathWorks auf Bildverarbeitungsaufgaben unter Verwendung von MathWorks-Tools konzentriert. Ein Vergleich der Kurstitel und Kompetenzbeschreibungen auf Coursera kann Ihnen dabei helfen, sich zwischen grundlegender Theorie, angewandten Projekten und toolspezifischem Lernen zu entscheiden.